不从文字猜布局，直接在 3D 空间里"摆家具"
> *Repurposing 3D Generative Model for Autoregressive Layout Generation* > Haoran Feng, Yifan Niu 等 | arXiv: 2604.16299 | 2026
---
一个室内设计师的难题
"帮我设计一个客厅：沙发面向电视，茶几在中间，书架靠左墙，落地灯在沙发右边。"
如果你是一个室内设计师，你会在脑子里构建一个 3D 空间，然后一件一件地把家具"摆"进去。你会考虑沙发和茶几之间的距离是否合理，电视是否在沙发的视线范围内，落地灯是否会挡住走道。
现有的 AI 3D 布局生成方法大多走另一条路：从文字描述出发，让模型"猜"出物体的 3D 位置。但这种方法有一个根本问题——它不直接在 3D 空间中操作，而是通过 2D 表示或隐式编码来间接生成布局。这就像蒙着眼睛摆家具：你可能大致放对了位置，但物体之间的几何关系和物理约束很难保证。
---
LaviGen：直接在 3D 空间里生成布局
这篇论文提出的 LaviGen 框架走了一条更直觉的路线：直接在原生 3D 空间中操作。
核心思路是把布局生成构建为一个自回归过程——就像语言模型一个词一个词地生成文本一样，LaviGen 一个物体一个物体地生成 3D 布局。每放一个新物体时，模型会显式考虑：
- 与已有物体的几何关系（距离、角度、遮挡）
- 物理约束（不能悬浮、不能穿透、不能超出房间边界）
- 场景的整体连贯性
3D 扩散模型 + 双引导蒸馏
为了增强生成质量，研究者还提出了一个适配的 3D 扩散模型，整合了三类信息：
- 场景信息：房间的形状、大小、门窗位置
- 物体信息：每个物体的类别、尺寸、朝向
- 指令信息：用户的布局需求描述
---
实验结果：物理合理性提升 19%，速度提升 65%
在 LayoutVLM 基准上的实验表明：
- 物理合理性比最先进方法高 19%——生成的布局更符合真实世界的物理规律
- 计算速度提升 65%——双引导蒸馏显著加快了生成过程
---
我的思考
这篇论文的思路很"正"：3D 的问题就应该在 3D 空间里解决。
这听起来像是废话，但在实际研究中，很多 3D 生成任务确实是通过 2D 投影或隐式表示来间接处理的。原因很简单——直接在 3D 空间中操作计算量大、表示复杂。但随着 3D 扩散模型的发展，直接在 3D 空间中生成变得越来越可行。
自回归的生成方式也很有意思。它不仅让布局生成过程更可控（你可以逐步调整每个物体的位置），也天然地建模了物体之间的依赖关系——后面的物体摆放会考虑前面已经放好的物体。
---